J:
Kā mākslīgais intelekts ļauj "smadzeņu palielināšanai" uzlabot atmiņu ar smadzeņu elektrisko stimulāciju?
A:Jaunas mākslīgā intelekta zinātnes metodes palīdz pētniekiem vairāk izprast smadzeņu darbību - un dažos gadījumos šie zinātnieki faktiski var iejaukties un piespiest smadzenes darboties savādāk.
Ja tas izklausās sarežģīti, tas tāpēc, ka tā ir. Vadu stāsts, kas iepazīstina ar Pensilvānijas universitātes pētījumu projektu, sākas ar to, ka cilvēka smadzenes zinātniekiem ir lielākoties nezināma “melnā kaste” un ka smadzeņu darbību ietekmē nopietni šķēršļi.
Tomēr UPennas psihologs Maikls Kahana un zinātnieku komanda spēja izmantot elektrodus, kas iedziļinājās 25 epilepsijas slimnieku smadzenēs, lai sāktu uzzināt, kā smadzenes darbojas atmiņas laikā.
Zīmīgi, ka komanda to varēja izdarīt, “piespiežot” jau esošo infrastruktūru. (No formulējuma tiek pieņemts, ka grupa varēja izmantot priekšmetus, kuri jau bija piesaistīti proziskāku medicīnisku iemeslu dēļ.) Kā norādīts rakstā, ir diezgan grūti panākt izpētes subjektu līdzdalību, lai invazīvās tehnoloģijas ievietotu smadzenes.
Pētnieki sāka, vienkārši lasot smadzeņu darbību - konkrēti, precīzi aprēķinot smadzeņu elektrisko aktivitāti, kamēr cilvēki mācījās un iegaumēja vārdus.
Pēc kāda laika to darot un izveidojot ievērojamu apmācības komplektu, pētnieki spēja paredzēt noteiktus mācīšanās veidus.
Pēc fundamentāliem pētījumiem zinātnieki galu galā spēja smadzenēm nosūtīt elektrisko stimulāciju, lai palīdzētu atmiņas procesā.
Kad jūs runājat par elektriskās stimulācijas izmantošanu, lai palīdzētu atmiņai, tas izklausās vienkārši - bet, kad jūs skatāt rūpīgāk, viss tiek pamatots ar ļoti augsto tehnoloģiju metodoloģiju un diezgan daudz minējumiem.
Bez sākotnējām mašīnmācībām, kas identificēja atmiņas aktivitātes, zinātniekiem nebūtu tik laba ideja par smadzeņu elektrisko stimulēšanu, lai veicinātu labu atmiņas funkciju.
Arī lasot par pētījumu, ir skaidrs, ka komanda nezina, kā darbojas elektriskā stimulācija - viņi vienkārši zina, ka tā ir. Citiem vārdiem sakot, zinātnieki izmanto mašīnmācīšanās rezultātus, lai precizētu sistēmu, faktiski neizprotot pašas smadzeņu funkcijas trūkumus.
Šis intriģējošais piemērs, iespējams, ir viens no labākajiem “praktiskas” mašīnmācības piemēriem - šeit dati nav tikai ievietoti mācību komplektos, lai modelētu vairāk datu. Šeit mācību komplekts faktiski darbojas kā katalizators īpašiem eksperimentiem bioinformātikā, un rezultāti ir balstīti uz aprēķiniem, kurus veica mašīnmācīšanās programmas. Tas ir ļoti interesants pētījums par mākslīgā intelekta un mūsu pašu cilvēku bioloģisko smadzeņu sinerģiju un to, kā šie abi krustojas, strauji virzoties uz Ray Kurzweil “savdabību” un citiem nākotnes rezultātiem.
